森林蓄积量是森林资源调查的主要因子,可用于衡量区域森林资源的丰富和健康程度,反映区域营林水平和森林固碳能力,在森林生态系统功能评价中扮演重要角色,同时森林蓄积量的精准估测对森林可持续经营管理具有重要作用。近年来,科学技术不断发展,遥感数据已成为估测森林蓄积量的重要工具。本论文结合2007年林地落界调查小班矢量数据、2007年紫金山国家森林公园30×30m样地数据、2007年机载Optech ALTM LiDAR数据和2007年QuickBird数据,采用多元线性逐步回归（MLSR）模型、支持向量机（SVM）模型、多层感知器神经网络（MLPNN）模型和随机森林（RF）模型,估测南京紫金山国家森林公园风景林蓄积量,从主动遥感数据、被动遥感数据及结合主被动遥感数据角度,基于小班与样地尺度分别进行遥感特征变量提取、风景林蓄积量估测。研究成果对稀疏型机载LiDAR数据和QuickBird遥感影像在景观尺度风景林蓄积量遥感估测中的推广应用,具有较为重要的参考价值。本论文的主要内容和结论如下:（1）QuickBird遥感影像经辐射定标、大气校正、地形校正、图像融合、几何精校正及图像裁剪处理后,以小班和样地尺度分别提取278个特征变量,包括32个原始波段及其组合信息、22个植被指数信息和224个纹理信息,利用随机森林逐步筛选变量法筛选遥感特征变量。结果显示,基于小班和样地尺度筛选得到的变量中,纹理信息数量最多且相对重要性和节点纯度较高,在风景林蓄积量估测中表现出明显优势;基于小班尺度筛选得到的遥感特征变量更能反映林分的实际状况。结合QuickBird遥感影像筛选得到的特征变量、小班和样地实测数据分别构建小班和样地尺度MLSR模型、SVM模型、MLPNN模型和RF模型4种风景林蓄积量估测模型,以估测紫金山国家森林公园风景林蓄积量。结果显示,基于样地尺度构建的4个风景林蓄积量估测模型精度均高于基于小班尺度构建的估测模型,并达到较好的估测效果。其中,基于样地尺度构建的RF估测模型精度最高,效果最优,模型决定系数R2达0.87,均方根误差RMSE为14.87 m3/hm2,相对均方根误差r RMSE为16.21%。（2）稀疏型机载LiDAR数据经点云去噪、滤波和归一化处理后,基于小班和样地尺度分别提取56个高度变量和42个强度变量,利用随机森林逐步筛选变量法筛选遥感特征变量。与基于QuickBird遥感影像特征变量筛选结果相似,小班尺度筛选得到的遥感特征变量更能表达风景林蓄积量信息;在不同尺度下筛选得到的变量均以高度变量的数量最多且相对重要性和节点纯度最高。结合稀疏型机载LiDAR筛选得到的特征变量、小班和样地实测数据分别构建小班和样地尺度MLSR模型、SVM模型、MLPNN模型和RF模型估测紫金山国家森林公园风景林蓄积量。结果显示,与基于QuickBird遥感影像的风景林蓄积量估测结果相似,基于样地尺度构建的4个估测模型均达到较高估测精度。其中,以样地尺度下的RF模型的估测精度最高,R2为0.88,RMSE为15.22 m3/hm2,r RMSE为16.59%。（3）为探究多源遥感数据在小班尺度和样地尺度下估测紫金山国家森林公园风景林蓄积量的有效性,本论文结合基于QuickBird遥感影像提取的278个遥感特征变量和基于稀疏型机载LiDAR数据提取的98个遥感特征变量,利用随机森林逐步筛选变量法筛选遥感特征变量。结果显示,小班尺度筛选得到的遥感特征变量在相对重要性及节点纯度上仍表现出明显优势;筛选得到的特征变量中,高度变量和纹理信息则分别在小班和样地尺度均表现出数量和重要性优势。结合QuickBird遥感影像和稀疏型机载LiDAR数据筛选得到的特征变量、小班和样地实测数据分别构建小班和样地尺度MLSR模型、SVM模型、MLPNN模型和RF模型估测紫金山国家森林公园风景林蓄积量。结果显示,4个估测模型的样地尺度估测精度均高于小班尺度估测精度;其中以样地尺度RF估测模型估测精度最高,R2达0.91,RMSE为12.83 m3/hm2,r RMSE为13.98%。（4）将基于不同数据源的2种尺度下估测精度最高的风景林蓄积量估测结果制图,得到紫金山国家森林公园风景林蓄积量空间分布图。可以发现,基于样地尺度构建模型估测的风景林蓄积量空间分布趋势与研究区风景林蓄积量实际情况基本一致,且估测值接近实测值,估测效果好。基于小班尺度构建模型估测的风景林蓄积量空间分布趋势与研究区蓄积量实际分布情况较为接近,但估测值与实测值有一定差距,其估测效果不如样地尺度。